CN109924147A - 一种鲫鱼杂交制种中信息采集测定系统及测定方法 - Google Patents
一种鲫鱼杂交制种中信息采集测定系统及测定方法 Download PDFInfo
- Publication number
- CN109924147A CN109924147A CN201910043706.9A CN201910043706A CN109924147A CN 109924147 A CN109924147 A CN 109924147A CN 201910043706 A CN201910043706 A CN 201910043706A CN 109924147 A CN109924147 A CN 109924147A
- Authority
- CN
- China
- Prior art keywords
- module
- crucian
- information
- hybridization
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于杂交制种技术领域,公开了一种鲫鱼杂交制种中信息采集测定系统及测定方法,鲫鱼杂交制种中信息采集测定系统包括:物种编号模块、信息登记模块、中央处理模块、纯度鉴别模块、匹配杂交模块、统计模块、数据存储模块、显示模块。本发明通过纯度鉴别模块能够快速对杂交种纯度做出鉴别,鉴别时间少成本低,对测试者不要求具有专业知识,应用方便;同时通过物种编号模块、信息登记模块、匹配杂交模块、统计模块提供一个了完善的管理机制,这样有利于规范鲫鱼的杂交制种方法和程序,提高杂交制种效率,有利于选育出遗传基础丰富、聚集较多有利基因且配合力好的亲本及优良品种。
Description
技术领域
本发明属于杂交制种技术领域,尤其涉及一种鲫鱼杂交制种中信息采集测 定系统及测定方法。
背景技术
杂交即通过不同的基因型的个体之间的交配而取得某些双亲基因重新组合 的个体的方法。一般情况下,把通过生殖细胞相互融合而达到这一目的过程称 为杂交;而把由体细胞相互融合达到这一结果的过程称为体细胞杂交。然而, 现有的研究大多需要将生殖细胞破碎后进行分析,不能实现对生殖细胞进行无 损、实时检测,而且没有研究不同种类的动物杂交后和母本是否可分;同时人 工管理方法无法对鱼类杂交种质资源进行深入系统的研究,不利于选育出遗传 基础丰富、聚集较多有利基因且配合力好的亲本及优良品种。
综上所述,现有技术存在的问题是:
(1)现有的研究大多需要将生殖细胞破碎后进行分析,不能实现对生殖细 胞进行无损、实时检测,而且没有研究不同种类的鱼类杂交后和母本是否可分; 同时由于信息存储分类不明确采用人工管理方法无法对鱼类杂交种质资源进行 深入系统的研究,不利于选育出遗传基础丰富、聚集较多有利基因且配合力好 的亲本及优良品种。
(2)目前使用的显示器无法对色域进行校正,显示的像素和亮度较低,无 法实现对鲫鱼杂交及鱼卵的信息的观察。
(3)目前使用的中央处理器对数据处理慢,迭代值较大,工作效率较低。
信号处理中,无线网络存在的干扰管理没有考虑多维特征,管理效率较低 的问题。
发明内容
针对现有技术存在的问题,本发明提供了一种鲫鱼杂交制种中信息采集测 定系统及测定方法。
本发明是这样实现的,一种鲫鱼杂交制种中信息采集测定方法,包括:
通过物种编号模块对物种种质资源进行编号管理;
通过信息登记模块登记鲫鱼品种信息,制作数据存储标识,鲫鱼品种信息 包括学名、形态特征、生活习性、血缘关系、抗病性等;
信息登记模块设置有信息分类登记模块,信息分类登记模块采用支持向量 机的快速分类算法进行登记鲫鱼品种信息;包括:
给定训练样本集{(xi,yi),i=1,2,…,l},xi∈Rd,yi∈{-1,+1},引进从输入 空间Rn到希尔伯特(Hilbert)空间H的变换:
然后在Hilbert空间H中构造原始问题:
结束条件:
采用Lagrange乘子法求解公式(1),得到的对偶问题为:
结束条件:
其中K(xi,xj)为核函数:
通过求解上述对偶问题得最优解α*=(α1 *,…,αl *)T,选取α*的一个正 分量0<αj*<C,并据此计算阙值
b*=yj-∑yiαi *K(xi,xj),
最后构造决策函数
给定两个样本x1,x2∈RN,则两样本之间的距离表示为d(x1,x2),表 示样本xl的第i个分量,在线性的情况下,两样本之间的距离定义如下:
在非线性情况下,两样本之间的距离如下:
其中为将原空间中向量x映射到高维向量空间中所对应的向量, 为核函数;
假设一类样本为x1i,i=1,…,l,另一类样本为x2j,j=1,…,m,d(x1i,x2j) 表示第一类中的第i个样本到第二类中的第j个样本的距离,则对每一个i值,di=mind(x1i,x2j)(j=1,2,…,m),所对应的向量x2j就是第二类样本的一个边界 向量;
对原始样本通过距离筛选,得到l个由相对边界向量过程的初始训练样本 (x1,y1),…,(xl,yl),其中xi∈Rn,i=1,…,l,yi∈{-1,1}是样本xi所属的类 别,m为训练样本的类数目,设第k个支持向量机的训练样本集合为 X={(xi,yi)|yi≥k},得
约束条件:
转化为对偶问题进行求解:
得到对应的决策函数为:
纯度鉴别模块鉴别作物杂交鱼卵的纯度;
通过匹配杂交模块自动匹配杂交任务,并制作数据存储标识放到鲫鱼母本 上,获得杂交鱼卵;
通过统计模块对杂交鱼卵孵化结果进行反馈统计;
通过数据存储模块存储杂交中统计的数据信息;
通过显示模块显示鲫鱼品种信息及杂鱼卵孵化结果统计信息;
所述显示模块中的LED显示屏的显示数学模型为:
LED显示屏多采用脉宽调制的驱动方式,灰度级由不同的脉冲宽度来表示, 因此,LED发光状态总是相同,其灰度级以发光时间长短来表示,式(1) 为LED的色坐标计算公式,X、Y、Z为三刺激值,t为发光时间,LED 通过脉宽调制产生灰度级时,发光时间t决定了灰度级大小,从式(1) 知,无论灰度级如何变化,其色坐标始终不变;
灰度级和XYZ三刺激值之间存在与时间t相关的线性关系,当LED显示屏 总的灰度级级数为N时,每一个灰度级步长“1”所对应的XYZ三刺激值为:
显示一个任意的颜色,当红、绿、蓝LED发光灰度级分别为m,n,k时, 其对应的XYZ三刺激值为:
中央处理模块采用改进的PSO算法控制上述模块的正常运行;w使粒子保 持运动惯性,使其有扩展搜索空间的趋势,w较大时,粒子的运动速度较快, 使粒子的搜索区域较大,并且使其更快的靠近全局最优粒子,w较小时,粒子的 运动速度缓慢,使粒子在局部范围内进行精细搜索,w采取动态调整;
其中:wmax和wmin表示惯性权重最大和最小值,t表示迭代次数,Itermax表示 最大迭代次数。
进一步,中央处理模块采用改进的PSO算法控制上述模块的正常运行前, 需对上述模块传输的信息进行干扰信号的分析;具体有:
选取若干个干扰信号的特征参数UP,包括无线信号的频率F、时间T、对于 观测点空域角度Θ、极化方向Γ、以及编码方式C,并将参数作为坐标轴建立多 维坐标系,对于坐标系的各个坐标轴,分别根据各个干扰特征参数的分辨率确定对应坐标轴的单位量,基于坐标系建立多维特征参数的空间模型,定义为干 扰空间:HSI=SPACE(CP1,CP2…CPN),在此干扰空间中的任意一个矢量由坐标进 行表示:
其中CPi为矢量在干扰空间中某一维度的坐标,是对于特征参量CPi的具体 取值,对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
对于多模的干扰信号,即干扰信号的一个或者数个特征参数表现为具有多 值特性,在干扰空间中使用干扰特征矢量的集合表示:
进一步,在选取的若干个干扰信号特征参数之前需要确定干扰信号和参照 信号在无线信号领域上的物理参数,包括无线信号的频率F、时间T、对于观测 点空域角度Θ、极化方向Γ、以及编码方式C;
用特征参数作为坐标轴建立空间坐标系,定义的干扰空间为:
HSI=SPACE(F,T,Θ,Γ,C);
干扰空间中的任意一个矢量由干扰特征空间中的坐标进行表示:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值;
对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值。
进一步,干扰信号为多模信号,即干扰信号的一个或者数个特征参数表现 为具有多值特性,在干扰空间中使用干扰特征矢量的集合表示:
在干扰空间中是个矢量集合,代表的是一个满足一定区间约束条件的子空 间区域。
进一步,纯度鉴别方法包括:
(1)收集鱼卵样本的近红外光谱数据;
(2)对收集的鱼卵样本的近红外光谱数据进行预处理,并从经过预处理的 光谱数据中选择具代表性的训练样本光谱数据;
(3)通过特征提取算法和建模方法对所选取的训练样本光谱数据建立鱼卵 的纯度鉴别模型;
(4)利用所建立的鉴别模型,对待鉴别鱼卵的光谱进行鉴别。
本发明的另一目的在于提供一种计算机程序,所述计算机程序运行所述的 鲫鱼杂交制种中信息采集测定方法。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终 端搭载有实现所述的鲫鱼杂交制种中信息采集测定方法的控制器。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在 计算机上运行时,使得计算机执行所述的鲫鱼杂交制种中信息采集测定方法。
本发明的另一目的在于提供一种实现所述鲫鱼杂交制种中信息采集测定方 法的鲫鱼杂交制种中信息采集测定系统,所述鲫鱼杂交制种中信息采集测定系 统包括:
物种编号模块,与中央处理模块连接,用于对物种种质资源进行编号管理;
信息登记模块,与中央处理模块连接,用于登记鲫鱼品种信息,制作数据 存储标识,所述的鲫鱼品种信息包括学名、形态特征、生活习性、血缘关系、 抗病性等;
中央处理模块,与物种编号模块、信息登记模块、纯度鉴别模块、匹配杂 交模块、统计模块、数据存储模块、显示模块连接,用于控制各个模块正常工 作;
纯度鉴别模块,与中央处理模块连接,用于鉴别不同种类鲫鱼杂交的纯度;
匹配杂交模块,与中央处理模块连接,用于自动匹配杂交制种任务,并制 作数据存储标识放到鲫鱼母本内,获得杂交鱼卵;
统计模块,与中央处理模块连接,用于对杂交鱼卵孵化结果进行反馈统计;
数据存储模块,与中央处理模块连接,用于存储杂交培育中统计的数据信 息;
显示模块,与中央处理模块连接,用于显示鲫鱼品种信息及杂交鱼卵孵化 结果统计信息;
进一步,所述匹配杂交模块包括杂交记录生成模块、鱼卵孵化登记模块、 苗种生长登记模块;
杂交记录生成模块,用于根据每日的卵细胞数据,自动匹配杂交制种任务, 将生成的杂交记录存储到系统数据库中,用于根据上述杂交记录制作杂交记录 数据存储标识,最后将得到的数据存储标识放到母本鲫鱼上;
鱼卵孵化登记模块,用于通过快速读取上述的数据存储标识,将杂交记录 编号提交给系统,完成鱼卵孵化登记;
苗种生成模块,用于通过快速读取上述的数据存储标识,将鱼卵孵化结果 数据录入对应编号记录的相应位置并提交给系统,完成苗种培育登记;
苗种生长登记模块,用于将杂交鱼苗分发至不同培养池,通过快速读取所 述杂交鱼卵的数据存储标识,将分发结果提交给系统,完成鱼苗分发。
本发明的优点及积极效果为:
(1)本发明通过纯度鉴别模块鲫鱼近红外光谱的杂交种纯度鉴别方法,由 于选择了能够包容大部分不确定信息的代表性的训练样本光谱数据,提高了模 型应对光谱采集时间、地点、环境等条件变动的应变能力,也提高了模型应对 样品鲫鱼杂交时间与地点变动的应变能力,增强了模型的稳健性。
(2)能够快速对杂交种纯度做出鉴别,鉴别时间少成本低,对测试者不要 求具有专业知识,应用方便,通过显示器的改进模型能将鲫鱼杂交的数据进行 更好的显示,像素具有显著的提高。
(3)通过物种编号模块、信息登记模块、匹配杂交模块、统计模块提供一 个了完善的管理机制,这样有利于规范养殖业的杂交方法和程序,提高杂交效 率,通过中央处理器的改进算法提高了数据处理相率,有利于选育出遗传基础 丰富、聚集较多有利基因且配合力好的亲本及优良品种。
本发明通过构建的干扰空间模型,利用矢量表示和运算,可以支持无线通 信系统干扰信号的分析、表示、与具体运算,从而为系统对干扰信号的判定、 分析和管理形成数学依据。在干扰空间模型支撑的基础上,可以通过数学的方 法为系统进行干扰管理技术提供指导和帮助;利用数学空间概念形成的干扰空 间模型,对无线通信系统中干扰信号的状态进行分析和表征,为准确性控制提 供依据。
本发明信息登记模块设置有信息分类登记模块,信息分类登记模块采用支 持向量机的快速分类算法进行登记鲫鱼品种信息;
给定训练样本集{(xi,yi),i=1,2,…,l},xi∈Rd,yi∈{-1,+1},引进从输入 空间Rn到希尔伯特(Hilbert)空间H的变换:
然后在Hilbert空间H中构造原始问题:
结束条件:
采用Lagrange乘子法求解公式(1),得到的对偶问题为:
获得数据的准确性提高近6个百分点,为后 需的智能控制需要提供条件。
附图说明
图1是本发明实施例提供的鲫鱼杂交制种中信息采集测定系统结构框图。
图2是本发明实施例提供的纯度鉴别模块鉴别方法流程图。
图中:1、物种编号模块;2、信息登记模块;3、中央处理模块;4、纯度 鉴别模块;5、匹配杂交模块;6、统计模块;7、数据存储模块;8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并 配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明提供的鲫鱼杂交制种中信息采集测定系统包括:物种 编号模块1、信息登记模块2、中央处理模块3、纯度鉴别模块4、匹配杂交模 块5、统计模块6、数据存储模块7、显示模块8。
物种编号模块1,与中央处理模块3连接,用于对物种种质资源进行编号管 理;
信息登记模块2,与中央处理模块3连接,用于登记鲫鱼品种信息,制作数 据存储标识,所述的鲫鱼品种信息包括学名、形态特征、生活习性、血缘关系、 抗病性等;
中央处理模块3,与物种编号模块1、信息登记模块2、纯度鉴别模块4、 匹配杂交模块5、统计模块6、数据存储模块7、显示模块8连接,用于控制各 个模块正常工作;
纯度鉴别模块4,与中央处理模块3连接,用于鉴别不同种类鲫鱼杂交的纯 度;
匹配杂交模块5,与中央处理模块3连接,用于自动匹配杂交制种任务,并 制作数据存储标识放到鲫鱼母本内,获得杂交鱼卵;
统计模块6,与中央处理模块3连接,用于对杂交鱼卵孵化结果进行反馈统 计;
数据存储模块7,与中央处理模块3连接,用于存储杂交培育中统计的数据 信息;
显示模块8,与中央处理模块3连接,用于显示鲫鱼品种信息及杂交鱼卵孵 化结果统计信息;
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的鲫鱼杂交制种中信息采集测定方法,包括:
通过物种编号模块对物种种质资源进行编号管理;
通过信息登记模块登记鲫鱼品种信息,制作数据存储标识,鲫鱼品种信息 包括学名、形态特征、生活习性、血缘关系、抗病性等;
信息登记模块设置有信息分类登记模块,信息分类登记模块采用支持向量 机的快速分类算法进行登记鲫鱼品种信息;包括:
给定训练样本集{(xi,yi),i=1,2,…,l},xi∈Rd,yi∈{-1,+1},引进从输入 空间Rn到希尔伯特(Hilbert)空间H的变换:
然后在Hilbert空间H中构造原始问题:
结束条件:
采用Lagrange乘子法求解公式(1),得到的对偶问题为:
结束条件:
其中K(xi,xj)为核函数:
通过求解上述对偶问题得最优解α*=(α1 *,…,αl *)T,选取α*的一个正 分量0<αj*<C,并据此计算阙值
b*=yj-∑yiαi *K(xi,xj),
最后构造决策函数
给定两个样本x1,x2∈RN,则两样本之间的距离表示为d(x1,x2),表 示样本xl的第i个分量,在线性的情况下,两样本之间的距离定义如下:
在非线性情况下,两样本之间的距离如下:
其中为各原空间中向量x映射到高维向量空间中所对应的向量, 为核函数;
假设一类样本为x1i,i=1,…,l,另一类样本为x2j,j=1,…,m,d(x1i,x2j) 表示第一类中的第i个样本到第二类中的第j个样本的距离,则对每一个i值, di=mind(x1i,x2j)(j=1,2,…,m),所对应的向量x2j就是第二类样本的一个边界 向量;
对原始样本通过距离筛选,得到l个由相对边界向量过程的初始训练样本 (x1,y1),…,(xl,yl),其中xi∈Rn,i=1,…,l,yi∈{-1,1}是样本xi所属的类 别,m为训练样本的类数目,设第k个支持向量机的训练样本集合为 X={(xi,yi)|yi≥k},得
约束条件:
转化为对偶问题进行求解:
得到对应的决策函数为:
纯度鉴别模块鉴别鲫鱼杂交鱼卵的纯度;
通过匹配杂交模块自动匹配杂交任务,并制作数据存储标识放到鲫鱼母本 上,获得杂交鱼卵;
通过统计模块对杂交鱼卵孵化结果进行反馈统计;
通过数据存储模块存储杂交中统计的数据信息;
通过显示模块显示鲫鱼品种信息及杂鱼卵孵化结果统计信息;
所述显示模块中的LED显示屏的显示数学模型为:
LED显示屏多采用脉宽调制的驱动方式,灰度级由不同的脉冲宽度来表示, 因此,LED发光状态总是相同,其灰度级以发光时间长短来表示,式(1) 为LED的色坐标计算公式,X、Y、Z为三刺激值,t为发光时间,LED 通过脉宽调制产生灰度级时,发光时间t决定了灰度级大小,从式(1) 知,无论灰度级如何变化,其色坐标始终不变;
灰度级和XYZ三刺激值之间存在与时间t相关的线性关系,当LED显示屏 总的灰度级级数为N时,每一个灰度级步长“1”所对应的XYZ三刺激值为:
显示一个任意的颜色,当红、绿、蓝LED发光灰度级分别为m,n,k时, 其对应的XYZ三刺激值为:
中央处理模块采用改进的PSO算法控制上述模块的正常运行;w使粒子保 持运动惯性,使其有扩展搜索空间的趋势,w较大时,粒子的运动速度较快, 使粒子的搜索区域较大,并且使其更快的靠近全局最优粒子,w较小时,粒子的 运动速度缓慢,使粒子在局部范围内进行精细搜索,w采取动态调整;
其中:wmax和wmin表示惯性权重最大和最小值,t表示迭代次数,Itermax表示 最大迭代次数。
中央处理模块采用改进的PSO算法控制上述模块的正常运行前,需对上述 模块传输的信息进行干扰信号的分析;具体有:
选取若干个干扰信号的特征参数CP,包括无线信号的频率F、时间T、对于 观测点空域角度Θ、极化方向Γ、以及编码方式C,并将参数作为坐标轴建立多 维坐标系,对于坐标系的各个坐标轴,分别根据各个干扰特征参数的分辨率确定对应坐标轴的单位量,基于坐标系建立多维特征参数的空间模型,定义为干 扰空间:HSi=SPACE(CP1,CP2…CPN),在此干扰空间中的任意一个矢量由坐标进 行表示:
其中CPi为矢量在干扰空间中某一维度的坐标,是对于特征参量CPi的具体 取值,对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
对于多模的干扰信号,即干扰信号的一个或者数个特征参数表现为具有多 值特性,在干扰空间中使用干扰特征矢量的集合表示:
在选取的若干个干扰信号特征参数之前需要确定干扰信号和参照信号在无 线信号领域上的物理参数,包括无线信号的频率F、时间T、对于观测点空域角 度Θ、极化方向Γ、以及编码方式C;
用特征参数作为坐标轴建立空间坐标系,定义的干扰空间为:
HSI=SPACE(F,T,Θ,Γ,C);
干扰空间中的任意一个矢量由干扰特征空间中的坐标进行表示:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值;
对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值。
干扰信号为多模信号,即干扰信号的一个或者数个特征参数表现为具有多 值特性,在干扰空间中使用干扰特征矢量的集合表示:
在干扰空间中是个矢量集合,代表的是一个满足一定区间约束条件的子空 间区域。
如图2,本发明提供的纯度鉴别模块4鉴别方法,包括:
S101:收集鱼卵样本的近红外光谱数据;
S102:对收集的鱼卵样本的近红外光谱数据进行预处理,并从经过预处理的 光谱数据中选择具代表性的训练样本光谱数据;
S103:通过特征提取算法和建模方法对所选取的训练样本光谱数据建立鱼卵 的纯度鉴别模型;
S104:利用所建立的鉴别模型,对待鉴别鱼卵的光谱进行鉴别。
本发明提供的匹配杂交模块5包括杂交记录生成模块、鱼卵孵化登记模块、 苗种生长登记模块;
杂交记录生成模块,用于根据每日的卵细胞数据,自动匹配杂交制种任务, 将生成的杂交记录存储到系统数据库中,用于根据上述杂交记录制作杂交记录 数据存储标识,最后将得到的数据存储标识放到母本鲫鱼上;
鱼卵孵化登记模块,用于通过快速读取上述的数据存储标识,将杂交记录 编号提交给系统,完成鱼卵孵化登记;
苗种生成模块,用于通过快速读取上述的数据存储标识,将鱼卵孵化结果 数据录入对应编号记录的相应位置并提交给系统,完成苗种培育结果登记;
苗种生长登记模块,用于将杂交鱼苗分发至不同培养池,通过快速读取所 述杂交鱼卵的数据存储标识,将分发结果提交给系统,完成鱼苗分发。
本发明工作时,通过物种编号模块1对鲫鱼种质资源进行编号管理;通过 信息登记模块2登记鲫鱼品种信息,制作数据存储标识,所述的鲫鱼品种信息 包括学名、形态特征、生活习性、血缘关系、抗病性等;中央处理模块3调度 纯度鉴别模块4鉴别鲫鱼杂交鱼卵的纯度;通过匹配杂交模块5自动匹配杂交 任务,并制作数据存储标识放到鲫鱼母本上,获得杂交鱼卵;通过统计模块6 对杂交鱼卵孵化结果进行反馈统计;通过数据存储模块7存储杂交中统计的数 据信息;最后,通过显示模块8显示鲫鱼品种信息及杂鱼卵孵化结果统计信息。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组 合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程 序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指 令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可 以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算 机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向 另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、 计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或 无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据 中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用 介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。 所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、 或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的 限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变 化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种鲫鱼杂交制种中信息采集测定方法,其特征在于,所述鲫鱼杂交制种中信息采集测定方法包括:
通过物种编号模块对鲫鱼种质资源进行编号管理;
通过信息登记模块登记鲫鱼品种信息,制作数据存储标识,鲫鱼品种信息包括学名、形态特征、生活习性、血缘关系、抗病性;
信息登记模块设置有信息分类登记模块,信息分类登记模块采用支持向量机的快速分类算法进行登记鲫鱼品种信息;包括:
给定训练样本集{(xi,yi),i=1,2,…,l},xi∈Rd,yi∈{-1,+1},引进从输入空间Rn到希尔伯特(Hilbert)空间H的变换:
然后在Hilbert空间H中构造原始问题:
结束条件:
采用Lagrange乘子法求解公式(1),得到的对偶问题为:
结束条件:
其中K(xi,xj)为核函数:
通过求解上述对偶问题得最优解α*=(α1 *,…,αl *)T,选取α*的一个正分量0<αj*<C,并据此计算阙值
b*=yj-∑yiαi *K(xi,xj),
最后构造决策函数
给定两个样本x1,x2∈RN,则两样本之间的距离表示为d(x1,x2),表示样本xl的第i个分量,在线性的情况下,两样本之间的距离定义如下:
在非线性情况下,两样本之间的距离如下:
其中为将原空间中向量x映射到高维向量空间中所对应的向量, 为核函数;
假设一类样本为x1i,i=1,…,l,另一类样本为x2j,j=1,…,m,d(x1i,x2j)表示第一类中的第i个样本到第二类中的第j个样本的距离,则对每一个i值,di=mind(x1i,x2j)(j=1,2,…,m),所对应的向量x2j就是第二类样本的一个边界向量;
对原始样本通过距离筛选,得到l个由相对边界向量过程的初始训练样本(x1,y1),…,(xl,yl),其中xi∈Rn,i=1,…,l,yi∈{-1,1}是样本xi所属的类别,m为训练样本的类数目,设第k个支持向量机的训练样本集合为X={(xi,yi)|yi≥k},得
约束条件:
转化为对偶问题进行求解:
得到对应的决策函数为:
纯度鉴别模块鉴别杂交鱼卵的纯度;
通过匹配杂交模块自动匹配杂交任务,并制作数据存储标识放到鲫鱼母本上,获得杂交鱼卵;
通过统计模块对杂交鱼卵的孵化结果进行反馈统计;
通过数据存储模块存储杂交中统计的数据信息;
通过显示模块显示鲫鱼品种信息及杂交鱼卵结果统计信息;
所述显示模块中的LED显示屏的显示数学模型为:
LED显示屏多采用脉宽调制的驱动方式,灰度级由不同的脉冲宽度来表示,因此,LED发光状态总是相同,其灰度级以发光时间长短来表示,式(1)为LED的色坐标计算公式,X、Y、Z为三刺激值,t为发光时间,LED通过脉宽调制产生灰度级时,发光时间t决定了灰度级大小,从式(1)知,无论灰度级如何变化,其色坐标始终不变;
灰度级和XYZ三刺激值之间存在与时间t相关的线性关系,当LED显示屏总的灰度级级数为N时,每一个灰度级步长“1”所对应的XYZ三刺激值为:
显示一个任意的颜色,当红、绿、蓝LED发光灰度级分别为m,n,k时,其对应的XYZ三刺激值为:
中央处理模块采用改进的PSO算法控制上述模块的正常运行;w使粒子保持运动惯性,使其有扩展搜索空间的趋势,w较大时,粒子的运动速度较快,使粒子的搜索区域较大,并且使其更快的靠近全局最优粒子,w较小时,粒子的运动速度缓慢,使粒子在局部范围内进行精细搜索,w采取动态调整;
其中:wmax和wmin表示惯性权重最大和最小值,t表示迭代次数,Itermax表示最大迭代次数。
2.如权利要求1所述鲫鱼杂交制种中信息采集测定方法,其特征在于,
中央处理模块采用改进的PSO算法控制上述模块的正常运行前,需对上述模块传输的信息进行干扰信号的分析;具体有:
选取若干个干扰信号的特征参数CP,包括无线信号的频率F、时间T、对于观测点空域角度Θ、极化方向Γ、以及编码方式C,并将参数作为坐标轴建立多维坐标系,对于坐标系的各个坐标轴,分别根据各个干扰特征参数的分辨率确定对应坐标轴的单位量,基于坐标系建立多维特征参数的空间模型,定义为干扰空间:HSI=SPACE(CP1,CP2…CPN),在此干扰空间中的任意一个矢量由坐标进行表示:
其中CPi为矢量在干扰空间中某一维度的坐标,是对于特征参量CPi的具体取值,对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
对于多模的干扰信号,即干扰信号的一个或者数个特征参数表现为具有多值特性,在干扰空间中使用干扰特征矢量的集合表示:
3.如权利要求2所述鲫鱼杂交制种中信息采集测定方法,其特征在于,
在选取的若干个干扰信号特征参数之前需要确定干扰信号和参照信号在无线信号领域上的物理参数,包括无线信号的频率F、时间T、对于观测点空域角度Θ、极化方向Γ、以及编码方式C;
用特征参数作为坐标轴建立空间坐标系,定义的干扰空间为:
HSI=SPACE(F,T,Θ,Γ,C);
干扰空间中的任意一个矢量由干扰特征空间中的坐标进行表示:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值;
对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值。
4.如权利要求2所述鲫鱼杂交制种中信息采集测定方法,其特征在于,
干扰信号为多模信号,即干扰信号的一个或者数个特征参数表现为具有多值特性,在干扰空间中使用干扰特征矢量的集合表示:
在干扰空间中是个矢量集合,代表的是一个满足一定区间约束条件的子空间区域。
5.如权利要求1所述鲫鱼杂交制种中信息采集测定方法,其特征在于,纯度鉴别方法包括:
(1)收集鱼卵样本的近红外光谱数据;
(2)对收集的鱼卵样本的近红外光谱数据进行预处理,并从经过预处理的光谱数据中选择具代表性的训练样本光谱数据;
(3)通过特征提取算法和建模方法对所选取的训练样本光谱数据建立鱼卵的纯度鉴别模型;
(4)利用所建立的鉴别模型,对待鉴别鱼卵的光谱进行鉴别。
6.一种计算机程序,其特征在于,所述计算机程序运行权利要求1~5任意一项所述的鲫鱼杂交制种中信息采集测定方法。
7.一种信息数据处理终端,其特征在于,所述信息数据处理终端搭载有实现权利要求1~5任意一项所述的鲫鱼杂交制种中信息采集测定方法的控制器。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的鲫鱼杂交制种中信息采集测定方法。
9.一种实现权利要求1所述鲫鱼杂交制种中信息采集测定方法的鲫鱼杂交制种中信息采集测定系统,其特征在于,所述鲫鱼杂交制种中信息采集测定系统包括:
物种编号模块,与中央处理模块连接,用于对物种种质资源进行编号管理;
信息登记模块,与中央处理模块连接,用于登记鲫鱼品种信息,制作数据存储标识,所述的鲫鱼品种信息包括学名、形态特征、生活习性、血缘关系、抗病性;
中央处理模块,与物种编号模块、信息登记模块、纯度鉴别模块、匹配杂交模块、统计模块、数据存储模块、显示模块连接,用于控制各个模块正常工作;
纯度鉴别模块,与中央处理模块连接,用于鉴别不同种类鲫鱼杂交的纯度;
匹配杂交模块,与中央处理模块连接,用于自动匹配杂交制种任务,并制作数据存储标识放到鲫鱼母本内,得到鲫鱼的杂交鱼卵;
统计模块,与中央处理模块连接,用于对杂交鱼卵的孵化结果进行反馈统计;
数据存储模块,与中央处理模块连接,用于存储杂交培育中统计的数据信息;
显示模块,与中央处理模块连接,用于显示鲫鱼品种信息及杂交鱼卵孵化结果统计信息;
10.如权利要求9所述鲫鱼杂交制种中信息采集测定系统,其特征在于,所述匹配杂交模块包括杂交记录生成模块、鱼卵孵化登记模块、苗种生长登记模块;
杂交记录生成模块,用于根据每日的卵细胞数据,自动匹配杂交制种任务,将生成的杂交记录存储到系统数据库中,用于根据上述杂交记录制作杂交记录数据存储标识,最后将得到的数据存储标识放到鲫鱼母本上;
鱼卵孵化登记模块,用于通过快速读取上述的数据存储标识,将杂交记录编号提交给系统,完成鱼卵孵化登记;
苗种生成模块,用于通过快速读取上述的数据存储标识,将鱼卵孵化结果数据录入对应编号记录的相应位置并提交给系统,完成苗种培育结果登记;
苗种生长登记模块,用于将杂交鱼苗分发至不同培养池,通过快速读取所述杂交鱼卵的数据存储标识,将分发结果提交给系统,完成鱼苗分发。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043706.9A CN109924147A (zh) | 2019-01-17 | 2019-01-17 | 一种鲫鱼杂交制种中信息采集测定系统及测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043706.9A CN109924147A (zh) | 2019-01-17 | 2019-01-17 | 一种鲫鱼杂交制种中信息采集测定系统及测定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109924147A true CN109924147A (zh) | 2019-06-25 |
Family
ID=66985121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910043706.9A Pending CN109924147A (zh) | 2019-01-17 | 2019-01-17 | 一种鲫鱼杂交制种中信息采集测定系统及测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109924147A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337076A (zh) * | 2020-03-09 | 2020-06-26 | 上海奇霖生态园林工程有限公司 | 一种人工雨林微生态系统的模拟方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799873A (zh) * | 2010-01-28 | 2010-08-11 | 哈尔滨工业大学 | 一种基于经验模态分解的多分组图像有监督分类方法 |
CN101807254A (zh) * | 2009-02-13 | 2010-08-18 | 烟台海岸带可持续发展研究所 | 面向数据特点的合成核支持向量机的实现方法 |
EP2221732A1 (en) * | 2009-02-23 | 2010-08-25 | Mitsubishi Electric R&D Centre Europe B.V. | Signal processing |
CN102246689A (zh) * | 2011-05-16 | 2011-11-23 | 广州甘蔗糖业研究所 | 一种杂交制种自动化管理方法 |
CN102792912A (zh) * | 2012-09-07 | 2012-11-28 | 中国水产科学研究院淡水渔业研究中心 | 一种判别棘头梅童鱼产地和生活史的方法 |
CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106803081A (zh) * | 2017-01-25 | 2017-06-06 | 东南大学 | 一种基于多分类器集成的脑电分类方法 |
CN108717523A (zh) * | 2018-04-26 | 2018-10-30 | 华南农业大学 | 基于机器视觉的母猪发情行为检测方法 |
CN109089992A (zh) * | 2018-06-04 | 2018-12-28 | 浙江海洋大学 | 一种基于机器视觉的鱼类新鲜度的分类方法及系统 |
-
2019
- 2019-01-17 CN CN201910043706.9A patent/CN109924147A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807254A (zh) * | 2009-02-13 | 2010-08-18 | 烟台海岸带可持续发展研究所 | 面向数据特点的合成核支持向量机的实现方法 |
EP2221732A1 (en) * | 2009-02-23 | 2010-08-25 | Mitsubishi Electric R&D Centre Europe B.V. | Signal processing |
CN101799873A (zh) * | 2010-01-28 | 2010-08-11 | 哈尔滨工业大学 | 一种基于经验模态分解的多分组图像有监督分类方法 |
CN102246689A (zh) * | 2011-05-16 | 2011-11-23 | 广州甘蔗糖业研究所 | 一种杂交制种自动化管理方法 |
CN102792912A (zh) * | 2012-09-07 | 2012-11-28 | 中国水产科学研究院淡水渔业研究中心 | 一种判别棘头梅童鱼产地和生活史的方法 |
CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106803081A (zh) * | 2017-01-25 | 2017-06-06 | 东南大学 | 一种基于多分类器集成的脑电分类方法 |
CN108717523A (zh) * | 2018-04-26 | 2018-10-30 | 华南农业大学 | 基于机器视觉的母猪发情行为检测方法 |
CN109089992A (zh) * | 2018-06-04 | 2018-12-28 | 浙江海洋大学 | 一种基于机器视觉的鱼类新鲜度的分类方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337076A (zh) * | 2020-03-09 | 2020-06-26 | 上海奇霖生态园林工程有限公司 | 一种人工雨林微生态系统的模拟方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779087B (zh) | 一种通用机器学习数据分析平台 | |
Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
CN103518224B (zh) | 用于分析微生物生长的方法 | |
CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
CN112801212A (zh) | 一种基于小样本半监督学习的白细胞分类计数方法 | |
CN101923712A (zh) | 基于粒子群优化的K-means聚类算法的基因芯片图像分割法 | |
Jubery et al. | Using machine learning to develop a fully automated soybean nodule acquisition pipeline (snap) | |
CN101777118A (zh) | 一种基于参数化变形模板的生物芯片图像样点自动识别方法 | |
CN110490306A (zh) | 一种神经网络训练和对象识别方法、装置和电子设备 | |
US20240116083A1 (en) | Methods of sorting matthiola seeds | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
CN108920900A (zh) | 基因表达谱数据的无监督极限学习机特征提取系统及方法 | |
CN108537342A (zh) | 一种基于邻居信息的网络表示学习方法及系统 | |
CN109924147A (zh) | 一种鲫鱼杂交制种中信息采集测定系统及测定方法 | |
Li et al. | An automatic plant leaf stoma detection method based on YOLOv5 | |
CN117576195A (zh) | 一种植物叶片形态识别方法 | |
CN117441649A (zh) | 基于生长性状均一性选育的斑节对虾培育方法及系统 | |
CN116681921A (zh) | 一种基于多特征损失函数融合的目标标注方法及系统 | |
Alshahrani et al. | Chaotic Jaya optimization algorithm with computer vision-based soil type classification for smart farming | |
CN116778223A (zh) | 一种基于零标注的多类别目标域数据集标注方法及系统 | |
CN114638959A (zh) | 一种基于卷积神经网络的苹果叶部病害诊断方法 | |
Mangla et al. | Statistical growth prediction analysis of rice crop with pixel-based mapping technique | |
CN109308936B (zh) | 一种粮食作物产地的识别方法、识别装置及终端识别设备 | |
Bell et al. | Watching plants grow–a position paper on computer vision and Arabidopsis thaliana | |
Lee | High-throughput phenotyping of above and below ground elements of plants using feature detection, extraction and image analysis techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190625 |
|
WD01 | Invention patent application deemed withdrawn after publication |